Prediccion_Leche_Grasa

Vista previa del material en texto

Livestock Research for Rural Development 29 (9) 2017 
Predicción de la producción de leche, porcentaje de grasa 
y proteína diaria a partir de registros del ordeño de la 
mañana o de la tarde en vacas Holstein en pastoreo 
M F Cerón-Muñoz, J D Corrales Alvarez1 y J P Ramírez Arias 
Grupo de Genética, Mejoramiento y Modelación Animal, (GaMMA), Facultad de Ciencias 
Agrarias, Universidad de Antioquia; Calle 70 No 52-21, Medellín, Antioquia. 
grupogamma@udea.edu.co 
1 Grupo de Investigación en Producción Animal Sostenible, Facultad de Ciencias 
Agropecuarias, Universidad de la Salle. Carrera 7 No 172-85, Bogotá, Colombia. 
Resumen 
En este artículo se utilizaron las producciones parciales tanto de producción de 
leche como de porcentaje de grasa y proteína en vacas Holstein en pastoreo para 
determinar la producción y el porcentaje total por día. Se utilizaron 51369 
registros diarios de producción de leche, porcentaje de grasa y proteína (AM/PM) 
pertenecientes a 2616 vacas ubicadas en 21 hatos lecheros del norte y oriente de 
Antioquia, Colombia. El control lechero fue realizado mediante la metodología 
A4 X2; que consistió en visitas mensuales y control en ordeños en la mañana y 
tarde. Los intervalos entre ordeños variaron entre 9 a 11.5 h para el ordeño PM y 
12.5 a 15 h para el ordeño AM y se consideraron los datos medidos entre el día 5 
a 599 de lactancia. Mediante el programa Eureqa fueron considerados modelos 
lineales y no lineales para la estimación de los mejores modelos de predicción de 
producción de leche, grasa y proteína en 24 horas; considerando los datos 
ingresados en el programa. Para comparar las ecuaciones se estimaron los 
estadísticos r2, coeficiente de información Akaike AIC, el sesgo y su respectiva 
desviación estándar, además del coeficiente de correlación de concordancia 
(CCC). 
Para producción de leche; las mejores ecuaciones seleccionadas por tener un 
menor AIC, fueron aquellas que incluyeron la producción de leche parcial (AM o 
PM), los días en leche (DEL) y el tiempo transcurrido entre ordeños; para la 
estimación de proteína los mejores modelos fueron aquellos que consideraron 
exclusivamente el porcentaje de proteína (AM o PM), y para el contenido de 
grasa los mejores modelos fueron aquellos que consideraron exclusivamente el 
porcentaje de grasa, aunque por otro lado, presentaron mejor ajuste los modelos 
mailto:grupogamma@udea.educ.co
que consideraron los días en leche (PM) y el tiempo de ordeño y la producción 
diaria (AM). Los modelos presentados en este estudio, pueden ser utilizados de 
forma confiable para la predicción de la producción de leche, grasa y proteína en 
24 horas con buena precisión y a bajo costo. 
Palabras clave: coeficiente de información Akaike, Eureqa, ganado de leche 
 
Prediction of milk fat, protein and yield from the 
morning or afternoon milking in grazing Holstein cows 
Abstract 
Partial milk yield and percentage of milk fat and protein were used to determine 
percentage and total production per day in grazing Holstein cows. A total of 
51369 daily records of milk yield and milk fat and protein (AM/PM) from 2616 
cows in 21 dairy herds from north and east Antioquia (Colombia) were used. The 
milk control was performed with the A4 X2 methodology involving monthly 
visits and milking control during the morning and afternoon. Milking intervals 
ranged from 9 to 11.5 h for the PM milking and 12.5 to 15 h for the AM milking. 
Only data between days 5 to 599 of lactation were considered. The Eureqa 
program was used to assess linear and nonlinear models for estimating the best 
prediction of milk yield, fat and protein in 24 hours. The r2 statistic, Akaike´s 
information coefficient (AIC), bias and its standard deviation, and the 
concordance correlation coefficient (CCC) were estimated to compare the 
equations. The best equations selected for yield -for having a low AIC were those 
that included partial milk yield (AM or PM), days in milk (DEL) and the time 
between milkings. The best models for protein estimation were those that 
exclusively considered the percentage of protein (AM or PM). The best models 
for fat content were those considering only fat percentage. Nevertheless, the 
models considering days in milk (PM), time of milking, and daily yield (AM) 
had better fit. The models obtained in this study can be used reliably, with good 
precision, and at low cost to predict milk, fat and protein production during 24-
hours periods. 
Key words: Akaike, Eureqa, dairy cattle 
 
Introducción 
En vacas lecheras el conocimiento de la producción diaria a través de controles 
lecheros es importante para la evaluación de los animales a nivel productivo y la 
realización de programas de mejoramiento genético; adicionalmente, el registro 
de producción permite la valoración de los animales destinados a la selección y el 
mejoramiento de la gestión de los hatos lecheros. Existen diferentes métodos de 
control lechero determinados por el Comité Internacional de Registro Animal 
(International committee for animal recording - ICAR, 2016) donde el método 
A4 que implica el registro de producción de leche en dos ordeños consecutivos, 
empezando en la tarde y terminando el día siguiente en la mañana (PM – AM) 
cada cuatro semanas, es el más utilizado por la mayoría de países. Sin embargo, 
esta metodología presenta un alto costo debido principalmente a la disminución 
de la producción por la presencia de alguien desconocido en la sala de ordeño y 
el costo requerido para mantener el controlador hasta el ordeño del día siguiente 
en la mañana. 
Una metodología aprobada por la ICAR (2003) y que permite reducir los costos 
por la realización de dos controles el mismo día es el registro de la producción 
solo en la mañana o en la tarde. Esta metodología es menos perjudicial para la 
rutina de ordeño diaria, permite al controlador visitar más predios, más vacas 
pueden ser evaluadas y en consecuencia más toros podrán ser probados 
(Cassandro et al 1995; Delorenzo and Wiggans 1986; Liu et al 2000). 
Adicionalmente, en un programa de mejoramiento genético el uso de los registros 
diarios estimados a partir del ordeño de la mañana o de la tarde tiene un impacto 
muy bajo en la estimación de valores genéticos de los toros (Cassandro et al 
2003). 
La utilización del método (AM o PM) requiere de la estimación de factores de 
corrección o ecuaciones que permitan predecir la producción de leche, porcentaje 
de proteína y porcentaje de grasa en 24 horas (Everett and Wadell 1970; Lee et al 
1995; Hargrove, 1994). Berry et al (2007) indican que cualquier ecuación de 
predicción utilizada para estimar la producción en 24 h de cualquiera de las 
muestras AM o PM deben incorporar intervalo de ordeño y días en leche. 
Consecuentemente, la precisión de la estimación diaria de leche, porcentaje de 
grasa y proteína con éxito depende de cómo se toman los factores que se tienen 
en cuenta. Por lo tanto, la estimación de factores de corrección y ecuaciones de 
predicción de la producción en 24h horas confiables es beneficioso para la 
estimación. 
El objetivo de este estudio fue encontrar ecuaciones que permitan calcular la 
producción de leche, porcentaje de grasa y proteína en 24 horas, considerando la 
producción parcial am o pm, los días en leche y el intervalo entre ordeños en 
vacas Holstein en pastoreo. 
 
Materiales y métodos 
Datos 
Los datos utilizados en este estudio provienen del programa de control lechero de 
la Corporación Antioquia Holstein y la Universidad de Antioquia y consistieron 
en un total de 51369 registros diarios de producción de leche, porcentaje de grasa 
y proteína (AM/PM) pertenecientes a 2616 vacas ubicadas en 21 hatos lecheros 
del norte y oriente de Antioquia, Colombia. 
Los hatos se encontraban ubicados en zona de vida de bosque muy húmedo 
premontano (bmh-PM), con temperaturas promedio de 16°C, alturas entre los2000 y 3000 msnm y precipitaciones anuales entre 2000 y 4000 mm, con 
topografía plana a ondulada. El sistema de alimentación se caracterizaba por un 
pastoreo con Kikuyo (Pennisetum clandestinum) en mayor proporción y algunas 
asociaciones con Rye grass (Lolium perenne). Los animales fueron 
suplementados con alimentos comerciales de acuerdo a la etapa productiva y 
según los criterios de manejo de cada uno de los hatos al momento del ordeño. El 
control lechero fue realizado mediante la metodología A4 X2 (ICAR 2016) que 
consistió en visitas mensuales y control en ordeños en la mañana y tarde. Los 
intervalos entre ordeños variaron entre 9 a 11.5 h para el ordeño PM y 12.5 a 15 
h para el ordeño AM y se consideraron los datos medidos entre el día 5 a 599 de 
lactancia. 
Predicción de la producción y porcentajes de 24 horas 
Se utilizó el programa Eureqa (Schmidt and Lipson 2013) el cual considera 
modelos lineales y no lineales para la estimación de los mejores modelos de 
predicción considerando los datos ingresados en el programa. Los datos se 
dividieron en dos conjuntos, el primer conjunto corresponde a los datos de 
entrenamiento (30% de los datos seleccionados al azar) y el segundo conjunto de 
datos a los de validación (70% de los datos que no pertenecen al conjunto de 
entrenamiento). 
Para la producción de leche de 24h calculada a partir de la producción AM y PM 
se tuvo en cuenta el intervalo entre ordeños y los días en leche. 
 
Donde PL 24h corresponde a la producción de leche de 24h o un día, PL AM o 
PM corresponde a la producción de leche en la mañana PL AM o producción de 
leche en la tarde PL PM , DEL a días en leche, tAM corresponde al intervalo 
ordeño en la mañana en horas y t PM intervalo entre ordeño tarde en horas. 
Adicionalmente, para la estimación del porcentaje de grasa y proteína en 24h se 
tuvo en cuenta el intervalo entre ordeños, los días en leche y la producción AM o 
PM según correspondiera. 
 
Donde Yi,24h corresponde al porcentaje de i = grasa o proteína la cual fue 
calculada a partir de la formula 
 
Yi, (AM o PM) corresponde al porcentaje de grasa o proteína AM (Yi, AM ) o PM (Yi, 
PM ); DEL a días en leche; corresponde al intervalo en horas transcurridas desde 
el ordeño de la tarde y el ordeño de la mañana y intervalo en horas entre el 
ordeño de la mañana y el ordeño de la tarde. 
Comparación de ecuaciones 
Para comparar las ecuaciones se estimaron los estadísticos r2, AIC, el sesgo y su 
respectiva desviación estándar. Adicionalmente, se calculó el coeficiente de 
correlación de concordancia (CCC) que evalúa la reproducibilidad de las 
mediciones y que estas sean realmente similares (Steichen and Cox 2002). 
 
Donde 2Sxy; es dos veces la covarianza entre la media real y la estimada, 
 
corresponden a las varianzas y la media de la medida real y la medida estimada, 
respectivamente. 
 
Resultados y discusión 
Teniendo en cuenta los datos de entrenamiento se seleccionaron las mejores 
ecuaciones y se estimaron los diferentes coeficientes (r2, CCC y AIC) utilizando 
los datos de validación. Los resultados de los diferentes coeficientes de las 
ecuaciones con mejores predicciones para producción de leche diaria a través de 
la producción parcial AM o PM se presentan en las Tabla 1. Las mejores 
ecuaciones seleccionadas por tener un menor coeficiente de información Akaike 
(AIC) fueron aquellas que incluyeron la producción de leche parcial (AM o PM), 
los días en leche (DEL) y el tiempo transcurrido entre ordeños. Sin embargo, las 
otras ecuaciones sin incluir aquellas que consideraron dos veces la producción 
parcial, presentaron un ajuste muy similar a los encontrados por la ecuación con 
mejor predicción. 
Estos resultados coinciden con los reportados por Cassandro et al (1995) y Liu et 
al (2000); quienes encontraron que los modelos que mejor se ajustaron fueron 
aquellos que incluyeron variables como intervalo entre ordeños, número de 
partos y etapa de la lactancia. No obstante, recomiendan que se debe estimar por 
separado las primeras lactancias y las subsiguientes para mayor precisión. Por 
otro lado; Casandro et al (1995) afirma que, aunque estas variables son de suma 
importancia, el factor más influyente para la estimación de la producción es el 
intervalo entre ordeños. 
Tabla 1. Coeficiente de determinación (r2), coeficiente de correlación de concordancia (CCC), AIC y sesgo de cada uno de los modelos 
que mejor ajustaron la producción de leche diaria utilizando datos de producción AM (Modelos L1 a L4) y PM (Modelos L5 a L8). 
Modelo r
2 CCC AIC Sesgo 
L1 PL24h=0.594 + 3.07 xPLAM -0.0002xDELxPLAM-0.0957xtAM x PL AM 0.96 0.98 49297 -0.03 
L2 PL24h= 35.2xPLAM /(6.12 + t AM) 0.95 0.98 50974 -0.11 
L3 PL24h= 1.79xPLAM 0.95 0.97 58314 -0.08 
L4 PL24h= 2xPLAM 0.94 0.93 111151 2.20 
L5 PL24h=10.6 + 1.99 xPLPM-0.0025xDEL -0.767xtPM 0.94 0.97 64011 -0.02 
L6 PL24h=PLPM-(16.7 + 11.04xPL PM) / tPM 0.94 0.97 66402 -0.03 
L7 PL24h= 2 + 2 xPLPM 0.94 0.96 69771 -0.20 
L8 PL24h= 2xPLPM 0.94 0.92 111133 -2.20 
t: tiempo transcurrido entre el ordeño de la mañana y de la tarde 
Muchos estudios se han realizado para estimar la precisión del esquema de 
producciones parciales AM-PM, con el fin de reemplazar el esquema tradicional 
A4 (ICAR 2011; Wiggans 1981; DeLorenzo and Wiggans 1986; Casandro et al 
1995; Averdunk et al 1998), ya que, si se utiliza la metodología de producciones 
parciales, para predecir la producción de leche diaria, es posible obtener una 
estimación muy cercana a la real y a un menor costo. Lee et al (2013), 
encontraron que mediante el método de muestreo parcial AM-PM es posible 
estimar la producción diaria con un 95% de precisión en comparación con el 
método actual. 
Para porcentaje de proteína (PPROT) por día de producción, los modelos 
analizados que consideraron los días en leche y tiempo transcurrido entre ordeños 
no presentaron un ajuste diferente a los modelos que consideraron 
exclusivamente el porcentaje de proteína (AM o PM), Los modelos con menor 
AIC para PPROT fueron el P1 y el P2 (Tabla 2). Sin embargo, es importante 
resaltar como lo menciona Ceballos et al (2012), que para calcular la producción 
de proteína es importante incluir la producción de leche diaria. 
Tabla 2. Coeficiente de determinación (r2), coeficiente de correlación de concordancia (CCC), 
sesgo y AIC de cada una de las ecuaciones que mejor ajustaron el porcentaje de proteína diaria 
(PPROT) utilizando datos de porcentaje de proteína parcial. 
Modelo Ecuación r2 CCC AIC Sesgo 
P1 PPROT=PAM 0.92 0.96 -307015 0.006 
P2 PPROT=PPM 0.88 0.93 -281204 -0.007 
P3 PPROT = 0.14 + 
0.95*PAM 
0.92 0.96 -311775 0.001 
P4 
PPROT = 0.20 + 
0.93*PPM 
0.88 0.93 -286399 -0.001 
* PAM = porcentaje de proteína AM; P PM= porcentaje de proteína PM 
Agnieszka et al (2015) recomiendan que para que la precisión del modelo y las 
ecuaciones sean mayor, el intervalo entre ordeños no debe ser menor a 8 horas ni 
mayor a 13 horas. Lo cual para el caso de este estudio, los rangos son coherentes. 
No obstante; Huth (1995) asegura que los intervalos amplios entre ordeños no 
alteran el contenido de proteína, como sí lo hace sobre el contenido de grasa. 
Para el porcentaje de grasa en 24h (PGRASA) los mejores modelos teniendo en 
cuenta el menor valor de AIC, considerando el porcentaje de grasa parcial G AM y 
GPM fueron G2 y G5, respectivamente (Tabla 3). Utilizando el porcentaje de 
GAM el máximo ajuste encontrado fue 0.85 en el modelo G3 y para el porcentaje 
de GPM, el máximo ajuste fue 0.80 en el modelo G6. Como se mencionó 
anteriormente, el contenido de grasa es altamente susceptible al tiempo entre 
ordeños, principalmente cuando estos intervalos son cortos (Soyeurt et al 2006). 
Por otro lado, Rodríguez Neira et al (2013) encontraron un efecto significativo 
sobre los porcentajes de grasa AM-PM de los días en leche, número de parto y 
producción leche.Tabla 3. Coeficiente de determinación (r2), coeficiente de correlación de concordancia (CCC), sesgo y AIC de 
cada una de las ecuaciones que mejor ajustaron el porcentaje de grasa diaria utilizando datos de GAM y GPM. 
Modelo Ecuación r2 CCC AIC Sesgo 
G1 PGRASA = 0.87*GAM + 0.04*tAM 0.84 0.90 -146198 -0.008 
G2 PGRASA = 0.59+ 0.87*GAM 0.84 0.90 -145162 -0.007 
G3 
PGRASA = 0.82*GAM + 0.06*tAM - 
0.008*PLAM 
0.85 0.90 -147249 -0.008 
G4 PGRASA = 0.73 + 0.76*GPM 0.79 0.85 -126999 0.003 
G5 PGRASA = 0.95*GPM 0.75 0.85 -114412 0.002 
G6 
PGRASA = 0.73 + 0.73*GPM + 
0.0005*DEL 
0.80 0.86 -129663 0.002 
t: tiempo transcurrido entre el ordeño de la mañana y de la tarde 
La razón por la cual los resultados deben ser ajustados tanto para AM como para 
PM se debe a la acción biológica del ritmo circadiano de los animales y su 
producción, lo que quiere decir que en las horas de la mañana se espera que la 
producción de leche sea mayor que en la horas de la tarde. Se ha encontrado que 
la producción AM corresponde a más el 50% de la producción diaria de leche 
(DeLorenzo and Wiggans 1986; Jovanovac et al 2008; Gantner et al 2009; Plaut 
and Casey 2012). 
Schaeffer et al (1975) aseguran que las producciones AM predicen de forma más 
precisa la producción diaria que los registros PM; más lo ideal es tener registros 
tanto AM como PM, debido a que cuando sólo se estima la producción total 
como dos veces la producción AM se subestima la producción, lo que no ocurre 
al alternar los registros de la mañana y de la tarde. 
 
Conclusión 
• En este estudio, se presentan diferentes modelos para el cálculo de la 
producción de leche ó porcentaje de grasa y proteína en 24 horas de vacas 
Holstein en pastoreo los cuales fueron evaluados comparando su 
desempeño con los criterios de comparación r2, CCC, AIC y Sesgo. Los 
modelos seleccionados para producción de leche a partir de producciones 
AM o PM presentaron un r2 superior a 0.94 y CCC mayor a 0.92. Para 
producción de grasa, los modelos que mejor se ajustaron fueron G3 (r 2= 
0.85) y G6 (r2=0.80), no obstante, tuvieron menor AIC el modelo G2 y 
G5; y finalmente para proteína los mejores modelos fueron aquellos que 
incluyeron exclusivamente el contenido de proteína AM o PM. 
• Los modelos presentados en este estudio, pueden ser utilizados de forma 
confiable para la predicción de la producción de leche, grasa y proteína de 
vacas bajo condiciones de pastoreo en 24 horas con buena precisión y bajo 
costo. 
 
Agradecimientos 
Este artículo hace parte de los proyectos “Evaluación genética para calidad de 
leche y reproducción de bovinos Holstein y evaluación de animales cruzados 
holstein, jersey y BON en Antioquía” (MADR, FEDEGAN, UdeA y Corpoleche) 
y “Evaluación genético económico de bovinos holstein en sistemas de 
producción de leche en Antioquia” (Colciencias, Corpoleche y UdeA) . Se 
recibió el apoyo del Comité para el desarrollo de la investigación- CODI-UdeA 
(Estrategia para la Sostenibilidad 2016 ES84160119 grupo GaMMA). 
 
Referencias 
Agnieszka O M, Ptak E and Słoniewski K 2015 Estimation of daily milk yield based on morning and 
evening milking. Scientific Annals of Polish Society of Animal Production 11(2): 47-56. 
Averdunk G, Aumann J and Duda J 1998 Performance recording of animals, state of the art: Tendencies in 
AM/PM recording in Germany and non-conventional recording methods in the future. 139 in Proceedings of 
31st Biennial Session of ICAR, pag. 139, Rotorua, New Zealand. 
Berry D P, Buckley F and Dillon P 2007 Body condition score and live-weight effects on milk production in 
Irish Holstein-Friesian dairy cows. The Animal Consortium,1(9): 1351–1359. Available from: 
https://www.cambridge.org/core/services/aop-cambridge-core/content/view/S1751731107000419 
Cassandro M, Carnier P, Gallo L, Mantovani R, Bittante G and Jansen G B 1995 Bias and accuracy of 
single milking testing schemes to estimate daily and lactation milk yield. Journal of Dairy Science 78: 2884-
2893. 
Cassandro M, Carnier P, Gallo L and Bittante G 2003 Adequacy of genetic evaluation of dairy cows for 
milk yield using different testing schemes. Italian Journal of Animal Science 2: 213-222. 
Ceballos C M, Correa L G y Echeverri J 2012 Predicción del porcentaje de proteína total a partir de 
muestreos parciales y ajuste de efectos medioambientales. Revista MVZ Córdoba 17(1):2884-2890. 
DeLorenzo M A and Wiggans G R 1986 Factors for estimating daily yield of milk, fat, and protein from a 
single milking for herds milked twice a day. Journal of Dairy Science 69:2386–2394. 
Everett R W and Wadell L H 1970 Sources of variation affecting the difference between morning and 
evening daily milk production. Journal of Dairy Science 53: 1424-1429. 
Gantner V, Jovanovac S, Klopčič M, Cassandro M, Raguž N and Kuterovac K 2009 Methods for 
estimation of daily and lactation milk yields from alternative milk recording scheme in Holstein and 
Simmental cattle breeds. Italian Journal of Animal Science 8: 519-530 
Hargrove G L 1994 Bias in composite milk samples with unequal milking intervals. Journal of Dairy 
Science;, 77:1917-1921. 
Huth F W 1995 Die Laktation des Rindes – Analyse, Einfluss, Korektur. Verlag Eugen Ulmer, Stuttgart. 
Sup. 289:295 
ICAR 2003 Guidelines approved by the General Assembly held in Interlaken, Switzerland, on 30 May 2002, 
Rome, p:19 – 39 
ICAR 2011 International agreement of recording practices. ICAR Guidelines, Rome, Italy 
ICAR 2016 International agreement on recording practices. Available from: http://www.icar.org/wp-
content/uploads/2016/03/Guidelines-Edition-2016.pdf 
Jovanovac S, Gantner V, Kuterovac K, Klopčič M and Cassandro M 2008 Estimation of daily and 
lactation milk yield from alternative milk recording scheme. STOČARSTVO 62: (2) 91-102. 
Lee C, Pollak E J, Everett R W and Mcculloch C E 1995 Multiplicative factors for estimation of daily milk 
component yields from single morning or afternoon tests. Journal of Dairy Science, 78: 221–235 
Lee D and Hongrip Min 2013 Estimation of Daily Milk Yields from AM/PM Milking Records. Journal of 
Animal Science and Technology 55(6):489-500. 
Liu Z, Reents R, Reinhardt F and Kuwan K 2000 Approaches to estimating daily yield from single testing 
schemes and use of a.m.-p.m. records in test-day model genetic evaluation in dairy cattle. Journal of Dairy 
Science, 83:2672-2682. 
Plaut K and Casey T 2012 Does the circadian system regulate lactation? Animal 6:394–402. 
Rodríguez Neira J D, Correa Londoño G A and Echeverri Zuluaga J J 2013 Prediction Models for Total 
Milk Yield and Fat Percentage Using Partial Samples.Revista Facultad Nacional de Agronomía Medellín 
66(1): 6909-6917 
Schaeffer L R and Rennie J C 1975 AM-PM testing for estimating lactation yields. Canadian Journal of 
Animal Science, 56: 9-15 
Schmidt M and Lipson H 2013 Eureqa [Computer package], Version 0.99 beta. www.nutonian.com 
Soyeurt H, Dardenne P, Gillon A, Croquet C, Vanderick S, Mayeres P, Bertozzi C and Gengler N 
2006 Variation in fatty acid contents of milk and milk fat within and across breeds. Journal of Dairy Science 
89(12): 4858-4865. 
Steichen T J and Cox N J 2002 A note on the concordance correlation coefficient. Stata Journal 2(2): 183–
189. 
Wiggans G W 1981 Methods to estimate milk and fat yields from a.m./p.m. plans. Journal of Dairy Science, 
64: 1621-1624 
 
 
Received 11 May 2017; Accepted 4 July 2017; Published 1 September 2017